A Nomadic arrecadou US$ 8,4 milhões para combater a enxurrada de dados de carros autônomos.

Para construir as máquinas autônomas do futuro, os modelos às vezes exigem modelos.

As empresas que desenvolvem carros autónomos, robôs que manipulam o ambiente físico ou equipamentos de construção autónomos recolhem milhares, senão milhões, de horas de dados de vídeo para avaliação e formação.

Organizar e categorizar esses vídeos agora depende dos humanos que precisam assisti-los todos. Avanço rápido e ele não se expande. IA nômadestartup fundada pelo CEO Mustafa Bal e pelo CTO Varun Krishnan, busca resolver o problema dos clientes que têm 95% dos dados de seus veículos armazenados em arquivos.

O problema se torna mais difícil quando se procura casos extremos. Os dados mais valiosos descrevem eventos que ocorrem raramente e podem confundir modelos físicos de IA menos experientes.

A Nomadic está trabalhando para resolver esses problemas com uma plataforma que transforma imagens em conjuntos de dados estruturados e pesquisáveis ​​por meio de uma coleção de modelos de linguagem de visão. O resultado é um melhor monitoramento de veículos e a capacidade de criar conjuntos de dados exclusivos para aprendizado por reforço e iteração mais rápida.

A empresa anunciou uma rodada inicial de US$ 8,4 milhões na terça-feira, com uma avaliação pós-dinheiro de US$ 50 milhões. A rodada foi liderada pela TQ Ventures, com participação de Pear VC e Jeff Dean, e permitirá à empresa alcançar mais clientes e continuar aprimorando sua plataforma. nômades também recebeu o primeiro prêmio No concurso de pitch da Nvidia GTC no mês passado.

Os dois fundadores, que se conheceram quando eram estudantes de ciência da computação em Harvard, “enfrentaram os mesmos desafios tecnológicos repetidamente no trabalho” em empresas como Lyft e Snowflake, disse Bal ao TechCrunch.

“Estamos dando às pessoas uma visão sobre seus próprios vídeos, o que quer que acione seus (e) robôs AV”, disse ele. “Isso é o que impulsiona os construtores de sistemas autônomos, e não dados aleatórios.”

Por exemplo, imagine ajustar a compreensão de um AV de que ele pode passar um sinal vermelho quando solicitado por um policial ou isolar um veículo sempre que ele passar por baixo de um determinado tipo de ponte. A plataforma Nomadic permite identificar esses incidentes para fins de conformidade e inseri-los diretamente em seu pipeline de treinamento.

Clientes como Zoox, Mitsubishi Electric, Natix Network e Zendar já utilizam esta plataforma para desenvolver máquinas inteligentes. Antonio Puglielli, vice-presidente de engenharia da Zendar, disse que as ferramentas da Nomadic permitiram à empresa escalar suas operações muito mais rapidamente do que a terceirização, e sua experiência no domínio a diferencia de outros concorrentes.

Esses tipos de ferramentas de anotação automatizada baseadas em modelos estão emergindo como um fluxo de trabalho central para IA física. Empresas estabelecidas de rotulagem de dados como Scale, Kognic e Encord estão desenvolvendo ferramentas de IA para realizar essa tarefa, e a Nvidia lançou um conjunto de modelos de código aberto. AlfamayoVocê pode fazer ajustes para resolver o problema.

Varun afirma que a ferramenta da empresa é mais do que uma etiquetadora. É um “sistema de raciocínio do agente: descreva o que você precisa e descubra como encontrá-lo”. Use vários modelos para entender o que está acontecendo e contextualizar. Os apoiadores da Nomadic esperam que o foco da startup nesta infraestrutura específica vença.

“É a mesma razão pela qual a Salesforce não constrói sua própria nuvem e a Netflix não constrói a sua própria (instalação de distribuição de conteúdo)”, disse Schuster Tanger, parceiro da TQ Ventures que liderou a rodada, ao TechCrunch. “No momento em que as empresas de automóveis autônomos tentam construir o Nomadic internamente, elas se distraem da força motriz por trás de sua vitória: os próprios robôs.”

Tanger elogia o talento de Nomadic, observando que Krishnan é um mestre de xadrez internacional classificado como 1.549º melhor jogador do mundo. Enquanto isso, Krishnan se gaba de que todos os cerca de uma dúzia de engenheiros da empresa publicaram artigos científicos.

Agora eles estão trabalhando duro no desenvolvimento de ferramentas específicas, como ferramentas para entender a física das mudanças de faixa a partir de imagens de câmeras ou ferramentas para obter posições mais precisas de garras robóticas a partir de vídeos. Do ponto de vista da Nomadic e dos nossos clientes, o próximo desafio é desenvolver ferramentas semelhantes para dados não visuais, como leituras de sensores LiDAR, ou integrar dados de sensores em vários modos.

“Fazer malabarismos com terabytes de vídeo e combiná-los com modelos com centenas de bilhões de parâmetros para extrair insights precisos é realmente incrivelmente difícil”, disse Bal.